通过生成对抗神经网络进行具有异构输入的液流电池歧管设计
机器学习
2025-08-13 v1 应用统计
摘要
生成式机器学习已成为设计表示与探索的强大工具。然而，其应用常常受到对现有设计大型数据集的需求以及缺乏关于哪些特征驱动最优性的可解释性的限制。为了应对这些挑战，我们引入了一个系统框架，用于构建为生成模型量身定制的训练数据集，并展示了如何利用这些模型进行可解释设计。这项工作的新颖性体现在两个方面：(i) 我们提出了一个系统框架，用于生成内部同质但相互异构的输入原型，这些原型可用于生成训练数据集；(ii) 我们展示了如何将生成模型与贝叶斯优化相结合，以增强可接受设计潜在空间的可解释性。通过使用该框架设计液流电池歧管，验证了这些发现，表明它有效地捕捉了可行设计的空间，包括新颖的配置，同时实现了高效探索。这项工作通过提高质量和可靠性，拓宽了生成式机器学习模型在系统设计中的适用性。
引用
@article{arxiv.2508.08863,
title = {Flow Battery Manifold Design with Heterogeneous Inputs Through Generative Adversarial Neural Networks},
author = {Eric Seng and Hugh O'Connor and Adam Boyce and Josh J. Bailey and Anton van Beek},
journal= {arXiv preprint arXiv:2508.08863},
year = {2025}
}
备注
30 pages, 7 figures, conference (IDETC-CIE)